Alfabeto del razonamiento supervisado

Alphabet

Played 0

Create copy

About this activity

Conceptos clave en IA supervisada

Created by

Rigel Chuliá Ortega

Spain

Download the paper version to play

Top 10 results

There are still no results for this game. Be the first to stay in the ranking! Log in to identify yourself.

Make your own free game from our game creator

Compete against your friends to see who gets the best score in this game

Make challenge

WORD GAME: A TO Z

Wilmer Mauricio Delgadillo Avella

Guatemala

(28)

In this game there is a wheel with 24 letters of the alphabet (not includin "q", "x"). The aim of the game is to complete the alphabet wheel by saying yhe correct word for each letter in five minutes.
Flags of countries

Educaplay Educational Resources

Spain

(596)

Identify the flags that belong to each country
The NATO Alphabet

Angie Nava

Mexico

(41)

International Phonetic Alphabet to help spell words on the phone
LOGO QUIZ

Lucila Marchetti

Argentina

(7)

Label each picture.
Sleepy Hollow A-Z

Laura Di Giorno

Argentina

(2)

Guess words from 'The Legend of Sleepy Hollow' for each letter of the alphabet!


Alfabeto del razonamiento supervisadoOnline version Conceptos clave en IA supervisada by Rigel Chuliá Ortega A B C D E F G H I J M N O P R S T U V X Y Z Empieza por A Entrenamiento de un modelo usando ejemplos con etiquetas para predecir etiquetas en datos nuevos. Empieza por B Procesamiento de datos en lotes para actualizar los pesos sin usar ejemplos individuales de forma continua. Empieza por C Modelo que asigna una etiqueta o categoría a cada muestra de entrada. Empieza por D Algoritmo que ajusta parámetros para minimizar una función de error calculando sus variaciones. Empieza por E Asignación de una categoría o valor objetivo a cada muestra del conjunto de entrenamiento. Empieza por F Medida de diferencia entre la predicción y la etiqueta real que guía el aprendizaje. Empieza por G Vector de pendientes que señala la dirección de mayor incremento de la función de pérdida. Empieza por H Parámetros que controlan el proceso de aprendizaje y deben ajustarse antes del entrenamiento. Empieza por I Proceso de usar un modelo entrenado para predecir etiquetas de nuevas muestras. Empieza por J Evaluación del modelo en datos no vistos durante el entrenamiento para ajustar hiperparámetros. Empieza por M Tabla que resume aciertos y errores por clase para medir rendimiento. Empieza por N Escalado de características para que tengan distribución comparable durante el entrenamiento. Empieza por O Ajuste excesivo a los datos de entrenamiento que reduce la generalización a nuevos ejemplos. Empieza por P Proporción de predicciones correctas entre todas las predichas para una clase. Empieza por R Mecanismo para ajustar pesos propagando el error desde la salida hacia las capas anteriores. Empieza por S Desviación sistemática de las predicciones respecto a las etiquetas reales. Empieza por T Magnitud con la que se actualizan los parámetros en cada iteración. Empieza por U Fallo del modelo por falta de capacidad para capturar patrones en los datos. Empieza por V Evaluación del rendimiento del modelo mediante múltiples divisiones de datos. Empieza por X Ejemplo clásico donde múltiples entradas requieren una combinación no lineal para clasificarse. Empieza por Y Medidas de rendimiento como precisión, recall o F1 usadas para comparar modelos. Empieza por Z Estadarización de características para normalizar su distribución alrededor de la media.

Alfabeto del razonamiento supervisadoOnline version

Conceptos clave en IA supervisada

by Rigel Chuliá Ortega

Empieza por A

Entrenamiento de un modelo usando ejemplos con etiquetas para predecir etiquetas en datos nuevos.

Empieza por B

Procesamiento de datos en lotes para actualizar los pesos sin usar ejemplos individuales de forma continua.

Empieza por C

Modelo que asigna una etiqueta o categoría a cada muestra de entrada.

Empieza por D

Algoritmo que ajusta parámetros para minimizar una función de error calculando sus variaciones.

Empieza por E

Asignación de una categoría o valor objetivo a cada muestra del conjunto de entrenamiento.

Empieza por F

Medida de diferencia entre la predicción y la etiqueta real que guía el aprendizaje.

Empieza por G

Vector de pendientes que señala la dirección de mayor incremento de la función de pérdida.

Empieza por H

Parámetros que controlan el proceso de aprendizaje y deben ajustarse antes del entrenamiento.

Empieza por I

Proceso de usar un modelo entrenado para predecir etiquetas de nuevas muestras.

Empieza por J

Evaluación del modelo en datos no vistos durante el entrenamiento para ajustar hiperparámetros.

Empieza por M

Tabla que resume aciertos y errores por clase para medir rendimiento.

Empieza por N

Escalado de características para que tengan distribución comparable durante el entrenamiento.

Empieza por O

Ajuste excesivo a los datos de entrenamiento que reduce la generalización a nuevos ejemplos.

Empieza por P

Proporción de predicciones correctas entre todas las predichas para una clase.

Empieza por R

Mecanismo para ajustar pesos propagando el error desde la salida hacia las capas anteriores.

Empieza por S

Desviación sistemática de las predicciones respecto a las etiquetas reales.

Empieza por T

Magnitud con la que se actualizan los parámetros en cada iteración.

Empieza por U

Fallo del modelo por falta de capacidad para capturar patrones en los datos.

Empieza por V

Evaluación del rendimiento del modelo mediante múltiples divisiones de datos.

Empieza por X

Ejemplo clásico donde múltiples entradas requieren una combinación no lineal para clasificarse.

Empieza por Y

Medidas de rendimiento como precisión, recall o F1 usadas para comparar modelos.

Empieza por Z

Estadarización de características para normalizar su distribución alrededor de la media.

		%
	Anonymous	%
		%
		%

Alfabeto del razonamiento supervisado

Alphabet

About this activity

Created by

Download the paper version to play

Top Games

Alphabet

WORD GAME: A TO Z

Alphabet

Flags of countries

Alphabet

The NATO Alphabet

Alphabet

LOGO QUIZ

Alphabet

Sleepy Hollow A-Z

Alfabeto del razonamiento supervisadoOnline version

by Rigel Chuliá Ortega

Empieza por A

Entrenamiento de un modelo usando ejemplos con etiquetas para predecir etiquetas en datos nuevos.

Empieza por B

Procesamiento de datos en lotes para actualizar los pesos sin usar ejemplos individuales de forma continua.

Empieza por C

Modelo que asigna una etiqueta o categoría a cada muestra de entrada.

Empieza por D

Algoritmo que ajusta parámetros para minimizar una función de error calculando sus variaciones.

Empieza por E

Asignación de una categoría o valor objetivo a cada muestra del conjunto de entrenamiento.

Empieza por F

Medida de diferencia entre la predicción y la etiqueta real que guía el aprendizaje.

Empieza por G

Vector de pendientes que señala la dirección de mayor incremento de la función de pérdida.

Empieza por H

Parámetros que controlan el proceso de aprendizaje y deben ajustarse antes del entrenamiento.

Empieza por I

Proceso de usar un modelo entrenado para predecir etiquetas de nuevas muestras.

Empieza por J

Evaluación del modelo en datos no vistos durante el entrenamiento para ajustar hiperparámetros.

Empieza por M

Tabla que resume aciertos y errores por clase para medir rendimiento.

Empieza por N

Escalado de características para que tengan distribución comparable durante el entrenamiento.

Empieza por O

Ajuste excesivo a los datos de entrenamiento que reduce la generalización a nuevos ejemplos.

Empieza por P

Proporción de predicciones correctas entre todas las predichas para una clase.

Empieza por R

Mecanismo para ajustar pesos propagando el error desde la salida hacia las capas anteriores.

Empieza por S

Desviación sistemática de las predicciones respecto a las etiquetas reales.

Empieza por T

Magnitud con la que se actualizan los parámetros en cada iteración.

Empieza por U

Fallo del modelo por falta de capacidad para capturar patrones en los datos.

Empieza por V

Evaluación del rendimiento del modelo mediante múltiples divisiones de datos.

Empieza por X

Ejemplo clásico donde múltiples entradas requieren una combinación no lineal para clasificarse.

Empieza por Y

Medidas de rendimiento como precisión, recall o F1 usadas para comparar modelos.

Empieza por Z

Estadarización de características para normalizar su distribución alrededor de la media.